具有抗噪和偏場校正的醫(yī)學圖像分割算法研究
發(fā)布時間：2020-12-05 03:38
近年來,醫(yī)療設備體系不斷完善,醫(yī)學影像技術也變得愈發(fā)成熟,特別是在臨床醫(yī)療方面,能夠有效提高醫(yī)生的確診率。核磁共振圖像(MRI)作為迄今為止醫(yī)學圖像分割的重點研究對象,在腦部各個組織的精準分割方面具有及其重要的作用。腦部組織主要由三大部分組成,分別是灰質(GM)、白質(WM)和脊髓液(CSF),準確地分割腦部組織能夠有效對腦部區(qū)域進行定量分析,進而可以對腦部疾病進行精確評估�，F有的分割算法雖然可以應用于不同類型的圖像來完成分割,但這些算法在處理腦部MR圖像時存在相同或相似的問題:首先,分割含偏場的腦部MR醫(yī)學圖像時,由于受偏場影響較大的原因不能有效地去除偏場進而導致分割結果不夠精準;其次,分割含噪聲的腦部MR醫(yī)學圖像時,由于像素點鄰域之間的關系沒有得到充分的考慮,不僅使得算法對噪聲點敏感,而且魯棒性較弱等。針對以上問題,本文提出了一種新的具有抗噪和偏場校正的醫(yī)學圖像分割方法(MPCFCM),該方法通過點到面的代數距離約束實現分割。與傳統(tǒng)的基于點聚類的分割方法不同,本文定義了一個超聚類中心(即平面),通過優(yōu)化不同的平面完成對數據的聚類。此外,如何度量點到平面的距離是用平面對點進行聚類需要...
【文章來源】： 葉才增 山東大學
【文章頁數】：65 頁
【學位級別】：碩士
【部分圖文】：
圖２－１多種算法的分割結果比較
?山東大學碩士學位論文???Ｍ?Ｌ??（ａ）?（ｂ）?（ｃ）?（ｄ）??ＢＢＷＷｊ??（ｅ）?（ｆ）?（ｇ）?（ｈ）??圖３－１算法分析結果。（ａ）由三張平面拼合得到的曲面＿，?（ｂ）拼合平面上采樣得到的圖像；（ｃ）??平面聚類分割結果；（ｄ）點聚類分割結果；（ｅ）腦圖像原圖；（ｆ）Ｇｒｏｕｉｉｄ?Ｔｒｕｔｈ；?（ｇ）平面聚類分割??結果；（ｈ）點聚類分割結果；??從上述實驗可以看出，當數據點是從不同平面上采樣得到時，將聚類中心定??義為平面能得到很好的聚類效果，如圖（ｃ），而以點作為聚類中心的方法產生的錯??誤結果比較顯著，如圖（ｄ）。超聚類中心算法在對醫(yī)學圖像進行分割時，也表現??出了其分割準確度高的優(yōu)勢，同時也進一步證明了超聚類中心算法的可行性。??基于以上分析，本文提出了一種超聚類中心（即平面），并將其作為聚類中??心對數據進行聚類，通過優(yōu)化不同的平面完成對數據的聚類，其實質是構造不同??的平面來擬合散亂數據點，聚類的結果是具有不同系數的平面，該擬合平面與聚??類中心相比，能夠降低像素的分類錯誤并且更加準確的將圖像像素點信息歸類，??使分割更加準確，擬合平面可定義如下：??ｆＡｘｉ＞ｙ，）?＝?ａ＾ｘｉ＋ｂｋ＼ｙｉ＋ｃｋ２?（３－ｉ）??其中，４〇、＾＾是擬合平面／中第々個平面的系數，易、乂分別是當??前像素點的橫縱坐標位置。為度量點與平面之間的長度，可以利用平面對點聚類??的方式。由于直接計算點到平面的最短距離會產生非線性問題，從而增加了算法??的復雜性，因此，本文采用點到平面的代數距離作為度量函數，以簡化問題的復??雜性。??２４??
?山東大學碩士學位論文???＾?？衝?；５？７７?繼??ｉｓｏｓｓ？；??＇丨：：：??｜Ｈ?１６４：?■?１６７＊?ＩＫ：?■?２Ｎ，??５?１霧＿二二?圓＿二二?：１－１??Ｎｃｏｓｓｊｆ?ＳＳ？？？：?Ｓｉ＞?〇；？？?７％?ｔ？＊ｖｅ??�。螅�；ｓ＊?ｌｉｒｖｅｉ??ｒｎ?；？，Ｃ?？；－?＊｛Ｃ－ＣＳ３?１｝?？?Ｓ?ｌ．ＳＪ．ｉｒ：?＊?；￡?１５，０．＾．??（ａ）??５５０００?ＨＩＳＳ?３２５５１?２２７？??—＝：：，１??Ｉ３？?■?■?．?．．．?■－?■．??＝｜?Ｉ?｜?丨??■?ＭＳｆ?■?％?■?２Ｓ３４?■??；－Ｔ＇－＾ｒ?Ｓ５：?４３１?圖圓?７４５?ＳＳＳ?國國?７５２?３４７?＿｜?圓?Ｓ３Ｓ?２５５??３％?ｒａｉｓｅ?５Ｊ？ｒ．ｏ＊ｓｅ?Ｔ＾ｖｎｓａｅ??ｆｉＧｆｅｓ?ｉｅ＞．－ｅｉ??Ｃ?ｆ３．０．：Ｓ，?＊?？＞．?：－５，Ｃ－．ｉｉ?＊?（Ｓ－ｉ，０１５．?？ｆ?；０．１５．０?ｉ＜??（ｂ）??圖３－２兩種抗噪因子的比較。⑷ＭＰＣＦＣＭ算法中平滑因子的分布；（ｂ）?ＲＣＬＦＣＭ??算法中模糊因子的分布。??綜合以上分析探究，本文在目標函數中融入了空間距離和新構造的平滑因??子，得到新的影響因子表示如下：??４?０?，，７＾７?ｘ?（丄?一ｌｏｇ：?＋１）（外?＋?〇））?（３＿８）??空間距離、鄰域窗口方差系數和灰度差系數均被應用到新提出的影響因子??中，從而全面地衡量了鄰域信息點對中心點的影響程度。與其他算法相比較，本??文提出的新方法能較好的降低噪聲，同時保留了更精確的圖像信息。??２７??
【參考文獻】：
期刊論文
[1]結合邊緣局部信息的FCM抗噪圖像分割算法[J]. 夏菁,張彩明,張小峰,李雪梅. 計算機輔助設計與圖形學學報. 2014(12)
[2]基于分裂合并法和Ncut法的圖像分割[J]. 邵健萍,陳麗芳. 江南大學學報(自然科學版). 2011(05)
[3]一種新的肝臟CT序列圖像區(qū)域生長算法[J]. 陳彥達,鮑蘇蘇. 計算機工程與應用. 2010(13)
[4]井壁成像測井資料目標體自動檢測方法研究[J]. 柯式鎮(zhèn),馮啟寧. 石油大學學報(自然科學版). 2004(04)
[5]基于形態(tài)開閉濾波二值標記和紋理特征合并的分水嶺算法[J]. 馬麗紅,張宇,鄧健平. 中國圖象圖形學報. 2003(01)
[6]磁共振圖像中非均勻場的校正[J]. 李音. 國外醫(yī)學.生物醫(yī)學工程分冊. 2002(06)
碩士論文
[1]基于模糊聚類算法的圖像分割方法研究[D]. 陳凌.江西理工大學 2012
[2]基于人工神經網絡的血液細胞圖像分割方法研究[D]. 王傳永.天津理工大學 2005
本文編號：2898804
【文章來源】： 葉才增 山東大學
【文章頁數】：65 頁
【學位級別】：碩士
【部分圖文】：
圖２－１多種算法的分割結果比較
?山東大學碩士學位論文???Ｍ?Ｌ??（ａ）?（ｂ）?（ｃ）?（ｄ）??ＢＢＷＷｊ??（ｅ）?（ｆ）?（ｇ）?（ｈ）??圖３－１算法分析結果。（ａ）由三張平面拼合得到的曲面＿，?（ｂ）拼合平面上采樣得到的圖像；（ｃ）??平面聚類分割結果；（ｄ）點聚類分割結果；（ｅ）腦圖像原圖；（ｆ）Ｇｒｏｕｉｉｄ?Ｔｒｕｔｈ；?（ｇ）平面聚類分割??結果；（ｈ）點聚類分割結果；??從上述實驗可以看出，當數據點是從不同平面上采樣得到時，將聚類中心定??義為平面能得到很好的聚類效果，如圖（ｃ），而以點作為聚類中心的方法產生的錯??誤結果比較顯著，如圖（ｄ）。超聚類中心算法在對醫(yī)學圖像進行分割時，也表現??出了其分割準確度高的優(yōu)勢，同時也進一步證明了超聚類中心算法的可行性。??基于以上分析，本文提出了一種超聚類中心（即平面），并將其作為聚類中??心對數據進行聚類，通過優(yōu)化不同的平面完成對數據的聚類，其實質是構造不同??的平面來擬合散亂數據點，聚類的結果是具有不同系數的平面，該擬合平面與聚??類中心相比，能夠降低像素的分類錯誤并且更加準確的將圖像像素點信息歸類，??使分割更加準確，擬合平面可定義如下：??ｆＡｘｉ＞ｙ，）?＝?ａ＾ｘｉ＋ｂｋ＼ｙｉ＋ｃｋ２?（３－ｉ）??其中，４〇、＾＾是擬合平面／中第々個平面的系數，易、乂分別是當??前像素點的橫縱坐標位置。為度量點與平面之間的長度，可以利用平面對點聚類??的方式。由于直接計算點到平面的最短距離會產生非線性問題，從而增加了算法??的復雜性，因此，本文采用點到平面的代數距離作為度量函數，以簡化問題的復??雜性。??２４??
?山東大學碩士學位論文???＾?？衝?；５？７７?繼??ｉｓｏｓｓ？；??＇丨：：：??｜Ｈ?１６４：?■?１６７＊?ＩＫ：?■?２Ｎ，??５?１霧＿二二?圓＿二二?：１－１??Ｎｃｏｓｓｊｆ?ＳＳ？？？：?Ｓｉ＞?〇；？？?７％?ｔ？＊ｖｅ??�。螅�；ｓ＊?ｌｉｒｖｅｉ??ｒｎ?；？，Ｃ?？；－?＊｛Ｃ－ＣＳ３?１｝?？?Ｓ?ｌ．ＳＪ．ｉｒ：?＊?；￡?１５，０．＾．??（ａ）??５５０００?ＨＩＳＳ?３２５５１?２２７？??—＝：：，１??Ｉ３？?■?■?．?．．．?■－?■．??＝｜?Ｉ?｜?丨??■?ＭＳｆ?■?％?■?２Ｓ３４?■??；－Ｔ＇－＾ｒ?Ｓ５：?４３１?圖圓?７４５?ＳＳＳ?國國?７５２?３４７?＿｜?圓?Ｓ３Ｓ?２５５??３％?ｒａｉｓｅ?５Ｊ？ｒ．ｏ＊ｓｅ?Ｔ＾ｖｎｓａｅ??ｆｉＧｆｅｓ?ｉｅ＞．－ｅｉ??Ｃ?ｆ３．０．：Ｓ，?＊?？＞．?：－５，Ｃ－．ｉｉ?＊?（Ｓ－ｉ，０１５．?？ｆ?；０．１５．０?ｉ＜??（ｂ）??圖３－２兩種抗噪因子的比較。⑷ＭＰＣＦＣＭ算法中平滑因子的分布；（ｂ）?ＲＣＬＦＣＭ??算法中模糊因子的分布。??綜合以上分析探究，本文在目標函數中融入了空間距離和新構造的平滑因??子，得到新的影響因子表示如下：??４?０?，，７＾７?ｘ?（丄?一ｌｏｇ：?＋１）（外?＋?〇））?（３＿８）??空間距離、鄰域窗口方差系數和灰度差系數均被應用到新提出的影響因子??中，從而全面地衡量了鄰域信息點對中心點的影響程度。與其他算法相比較，本??文提出的新方法能較好的降低噪聲，同時保留了更精確的圖像信息。??２７??
【參考文獻】：
期刊論文
[1]結合邊緣局部信息的FCM抗噪圖像分割算法[J]. 夏菁,張彩明,張小峰,李雪梅. 計算機輔助設計與圖形學學報. 2014(12)
[2]基于分裂合并法和Ncut法的圖像分割[J]. 邵健萍,陳麗芳. 江南大學學報(自然科學版). 2011(05)
[3]一種新的肝臟CT序列圖像區(qū)域生長算法[J]. 陳彥達,鮑蘇蘇. 計算機工程與應用. 2010(13)
[4]井壁成像測井資料目標體自動檢測方法研究[J]. 柯式鎮(zhèn),馮啟寧. 石油大學學報(自然科學版). 2004(04)
[5]基于形態(tài)開閉濾波二值標記和紋理特征合并的分水嶺算法[J]. 馬麗紅,張宇,鄧健平. 中國圖象圖形學報. 2003(01)
[6]磁共振圖像中非均勻場的校正[J]. 李音. 國外醫(yī)學.生物醫(yī)學工程分冊. 2002(06)
碩士論文
[1]基于模糊聚類算法的圖像分割方法研究[D]. 陳凌.江西理工大學 2012
[2]基于人工神經網絡的血液細胞圖像分割方法研究[D]. 王傳永.天津理工大學 2005
本文編號：2898804
本文鏈接：http://www.lk138.cn/shoufeilunwen/mpalunwen/2898804.html
最近更新
教材專著
